Microsoft MAI-Transcribe-2 lidera benchmark

Modelo de fala em tempo real assume a liderança na Artificial Analysis com 2,5% de erro, mas dados publicados no X motivam contestação da ElevenLabs.

A Microsoft AI lançou em 1º de outubro de 2026 o MAI-Transcribe-2-Streaming, modelo de reconhecimento de fala voltado a agentes autônomos e atendimento em tempo real. O sistema estreou no topo do levantamento independente da Artificial Analysis, registrando 2,5% de taxa de erro de palavras (a fatia de termos errados ou omitidos) e 0,13 segundo de latência final. No mesmo pacote divulgado em comunicado oficial, Mustafa Suleyman, chefe da divisão de IA da empresa, apresentou os modelos de voz MAI-Voice-2.1 e MAI-Voice-2.1-Flash. A estreia técnica favorável, porém, veio acompanhada de um tropeço público: comparações de preço e velocidade postadas pelo executivo no X não condizem com os dados reais do mercado.

Liderança técnica do MAI-Transcribe-2

Na avaliação da Artificial Analysis, que reuniu 38 modelos concorrentes, o MAI-Transcribe-2-Streaming superou rivais diretos em acurácia e rapidez. O motor da Microsoft ficou à frente do Grok Voice Transcribe 2.0 (2,7% de erro e 0,49 segundo de latência), do Muse Voice Transcribe da Meta (3,1% e 0,16 segundo), do Cartesia Ink Preview (3,1% e 0,11 segundo) e do ElevenLabs Scribe v2 Realtime (3,6% e 0,14 segundo).

Segundo a documentação técnica, o modelo opera em 60 idiomas com identificação automática de língua falada. Ele foi desenhado para atuar na ponta de entrada de assistentes conversacionais. Nesses sistemas, a transcrição parcial precisa chegar quase sem atraso para que a máquina consiga processar o comando antes que o usuário termine a fala, evitando silêncios incômodos no diálogo.

A contestação de preços da ElevenLabs

O ruído começou quando Suleyman afirmou no X que o novo transcritor seria 55% mais rápido e 60% mais barato do que as soluções da ElevenLabs. A resposta partiu de Mati Staniszewski, presidente-executivo da concorrente, também no X: “Nota rápida: o streaming do Scribe v2.5 é na verdade 28% mais barato por hora do que o MAI-Transcribe-2, não 60% mais caro. E uma nova versão sai em breve :)”.

A checagem das tabelas dá razão a Staniszewski. A Microsoft definiu uma tarifa promocional de US$ 0,54 por hora de áudio em streaming até o fim de 2026, o que equivale a US$ 9,00 a cada mil minutos. A ElevenLabs cobra US$ 6,50 por mil minutos no mesmo formato. Na ponta do lápis, o serviço da Microsoft sai cerca de 38% mais caro para uso em tempo real. No processamento em lote (gravações já salvas), a Microsoft cobra US$ 0,10 por hora, ou US$ 1,67 por mil minutos.

A divergência tem origem em uma confusão interna de divulgação. O texto corporativo da Microsoft atribui o ganho de 55% em velocidade e 60% em economia ao modelo de geração de voz MAI-Voice-2.1-Flash contra rivais de síntese sonora. Suleyman acabou colando esses números no post sobre o modelo de transcrição.

A disputa pelo ciclo completo de voz

O anúncio marca a estratégia de Suleyman para construir uma base própria dentro da Microsoft AI e diminuir a dependência das APIs da OpenAI. Junto do transcritor, a companhia liberou o MAI-Voice-2.1, que fala 23 idiomas e 26 variantes regionais mantendo o mesmo timbre vocal entre línguas, e a versão Flash, capaz de gerar 45 segundos de áudio com tempo de resposta inicial de 150 milissegundos.

Em conversas com agentes de voz, o ciclo total de ouvir, processar e responder precisa ficar abaixo de 500 milissegundos para parecer natural. Ao colocar ferramentas rápidas de transcrição e fala dentro do Azure e do Microsoft Foundry, a empresa tenta prender os desenvolvedores corporativos em sua própria nuvem.

Os modelos rodam em prévia pública no Microsoft Foundry (com servidores nos Estados Unidos, Suécia e Sudeste Asiático), no MAI Playground e por conexões com Vercel, OpenRouter e LiveKit. Não há pesos abertos nem arquivos para baixar e rodar em máquinas locais: o acesso ocorre apenas por APIs pagas na nuvem. RUMOR: A Microsoft não informou datas para integrar esses modelos ao Windows ou ao Microsoft 365 Copilot, nem há planos confirmados de abertura de código.

Fontes

• Comunicado oficial da Microsoft AI: https://news.microsoft.com/source?p=25993
• Documentação técnica no Microsoft Learn: https://learn.microsoft.com/en-us/azure/ai-services/speech-service/mai-transcribe-2-streaming
• Post de anúncio de Mustafa Suleyman no X: https://x.com/mustafasuleyman/status/2105699115602677984
• Benchmark técnico na Artificial Analysis / ExplainX: https://explainx.ai/blog/microsoft-mai-transcribe-2-streaming-aa-wer-2026
• Contestação de Mati Staniszewski (ElevenLabs) no X: https://x.com/mati/status/2106055816172486671